Avaliação de mídias sociais como preditoras de episódios depressivos no transtorno bipolar e promotoras de saúde mental na internet

Os sintomas do transtorno bipolar (TB) envolvem alterações no humor, na cognição e no comportamento, o que também é relacionado a um importante prejuízo cognitivo social do paciente, tornando-o menos engajado socialmente. As mídias sociais são ferramentas importantes tanto para a promoção de saúde mental na internet quanto para avaliação de pacientes. No entanto, muito pouco ainda se sabe com relação ao seu real efeito na prática clínica. Estas mídias podem ser úteis para a área de pesquisa e para a clínica através da observação desta forma de expressão do paciente como um todo, pois o mundo virtual faz cada vez mais parte da rotina de muitas pessoas. Neste trabalho, avaliamos como os recursos de mídias sociais podem ser utilizados como preditores clínicos de depressão no TB e também como promotores de saúde mental na internet. No primeiro artigo deste trabalho, escolhemos estudar a Semana de Saúde Mental do BuzzFeed (BFMHW) pois, em dezembro de 2015, BuzzFeed promoveu a Semana de Saúde Mental (BuzzFeed, on-line, 2017). Utilizamos métricas de mídias sociais para medir o impacto do conteúdo: exposição, influência e engajamento. No total, foram 44 vídeos e posts analisados. De forma geral, a análise sugere que quanto maior o número de plataformas de mídias sociais alcançadas por um post, maiores as taxas de visualização. No segundo artigo e principal deste trabalho utilizamos recursos psicolinguísticos e dados de uso do Facebook extraídos das mídias sociais de pacientes com TB. O Linguistic Inquiry Word Count (LIWC) foi analisado com machine learning. Verificamos se as métricas de uso do Facebook ou a análise do conteúdo semântico de pessoas com TB poderiam predizer o estado de humor avaliado através de escala clínica retrospectiva validada (NIMH Life Chart). O principal achado do segundo artigo mostra que o vocabulário LIWC pode indicar apenas uma tendência preditiva da depressão bipolar quando associada à variáveis conhecidas na literatura pela característica clássica preditiva, tais como idade, sexo e anos de estudo (AUC 86.7%). Uma vez retiradas estas variáveis, o valor preditivo perde a força (AUC 53.5%). O volume de uso do FB (atualização de status, postagens de fotos, curtidas e compartilhamentos) também apontou apenas uma tendência para predição da depressão bipolar (AUC 60%). Este resultado mostra que tanto o LIWC quanto os dados de uso do FB são recursos importantes para 7 direcionar tendências preditivas para depressão bipolar através do uso da internet. Estes resultados podem fornecer evidências de que o uso de mídias sociais pode ser útil para monitorar ou prever mudanças de humor no TB. Mais estudos longitudinais e prospectivos devem ser realizados para que se possa ter uma noção mais clara da relação das métricas extraídas de mídias sociais com o transtorno bipolar.The symptoms of bipolar disorder (BD) involve changes in mood, cognition and behavior, which is also related to an important social cognitive impairment, making them less socially engaged. Social media are important both for promoting mental health on the Internet and for evaluating patients. However, very little is known about its actual effect in clinical practice. These media can be useful for the research area and for the clinic by observing this way of expression of the patient as a whole, as the virtual world becomes more and more part of the routine of many people. In this paper, we evaluate how social media resources can be used as clinical predictors of depression in BD and also as promoters of mental health on the Internet. In the first article of this thesis, we chose to study the BuzzFeed Mental Health Week (BFMHW) because, in December 2015, BuzzFeed promoted the Mental Health Week. We used social media metrics to measure the impact of content: exposure, influence, and engagement. In all, 44 videos and posts were analyzed. Overall, the analysis suggests that the larger the number of social media platforms reached by a post, the higher the viewing rates. In the second and the main article of this thesis we used psycholinguistic resources and Facebook usage data extracted from the social media of patients with BD. The Linguistic Inquiry Word Count (LIWC) was analyzed with machine learning. We verified whether Facebook usage metrics or semantic content analysis of people with BD could predict the mood status assessed through a NIMH Life Chart. The main finding of the second article shows that the LIWC vocabulary can indicate only a predictive tendency of bipolar depression when associated with variables known in the literature by the classic predictive trait, such as age, sex and years of study (AUC 86.7%). Once these variables are removed, the predictive value loses its strength (AUC 53.5%). The volume of use of FB (status update, photo postings, likes and shares) also pointed out only a tendency to predict bipolar depression (AUC 60%). This result shows that both LIWC and FB use data are important resources for directing predictive trends for bipolar depression through Internet use. These results may provide evidence that the use of social media may be useful for monitoring or predicting mood changes in BD. Further studies should be performed to provide a clearer understanding of the relationship between metrics extracted from social media and bipolar disorder